CN104766144A - 订单预测方法及*** - Google Patents
订单预测方法及*** Download PDFInfo
- Publication number
- CN104766144A CN104766144A CN201510195209.2A CN201510195209A CN104766144A CN 104766144 A CN104766144 A CN 104766144A CN 201510195209 A CN201510195209 A CN 201510195209A CN 104766144 A CN104766144 A CN 104766144A
- Authority
- CN
- China
- Prior art keywords
- date
- order
- module
- predicted value
- forecast
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种订单预测方法及***,其中订单预测方法包括:采集历史订单量;将历史订单量按天粒度进行汇总;将日期进行分类并将属于同一类型的历史日期与预测日期相匹配;从与预测日期相匹配的历史日期中选取一增长基数日期,并获取所述增长基数日期的订单量和预测增长率,所述预测增长率依所述预测日期的类型而定;计算预测日期的日订单量预测值,日订单量预测值=增长基数日期的订单量×(1+预测增长率)。本发明弥补了现有的预测方法中计算量大、预测准确度低的不足,具有计算量少、预测准确度高且可操作性强的优点。
Description
技术领域
本发明涉及电子商务领域,尤其是涉及一种订单预测方法及***。
背景技术
随着电子商务的快速发展,现阶段对计算机的数据分析处理的能力要求越来越高,尤其是在订单预测方面,很多电商或在线旅游网站往往需要***某一时间段内的订单量以为日常或某些特殊情况作充足的准备。
现有技术中已经存在一些用于预测订单的公开文献,如:
1、申请公布号为CN103310286A的一种具有时间序列特性的产品订单预测方法及装置,该发明将小波神经网络理论引入时间序列预测模型中,对动态时序数据进行预测分析,循环运行多次取均值的方法得到预测结果。
缺点:计算复杂,准确度不稳定。神经网络训练模型的代价较大,且不容易掌控训练次数。训练过少达不到预测要求和应有效果,训练过多容易造成过度拟合,仅限于对训练样本数据能有效预测,对于非样本数据则效果不明显。
2、申请公布号为CN102495937A的一种基于时间序列的预测方法,该发明使用均生函数方法对原始时间序列进行延拓,通过最优子集回归方法对延拓序列进行删选,得到最优子集,再结合BP神经网络进行训练和预测,得到准确度较高的预测结果。
缺点:需要计算指数级别的回归子集并从中删选出最优子集,计算量较大,计算过程较为复杂,实际应用的操作难度较大。
3、三峡大学学报(自然科学版)公开的一种基于CPFR的订单预测方法研究,该文献提出将时间序列和多元回归分析相结合的方法对企业订单进行预测分析,并采用实际数据根据设计方法进行模拟仿真,仿真结果表明预测效果要优于传统单一时间序列预测方法。
缺点:预测准确性依然不高,多元回归选取哪些指标需要仔细斟酌;且该方法多用于制造业的订单预测,在电子商务订单的预测中能否应用尚未得到验证。
从上述文献看出,如何减少计算量、提高预测准确度依旧是现有技术中预测订单量的难题。
发明内容
本发明解决的技术问题是如何减少计算量、提高预测准确度,提供一种计算量少、预测准确度高且可操作性强的订单预测方法及***。
本发明是通过下述技术方案解决上述技术问题的:
本发明提供一种订单预测方法,其特点是,包括:
S1、采集历史订单量;
S2、将历史订单量按天粒度进行汇总;
S3、将日期进行分类并将属于同一类型的历史日期与预测日期相匹配;
S4、从与预测日期相匹配的历史日期中选取一增长基数日期,并获取所述增长基数日期的订单量和预测增长率,所述预测增长率依所述预测日期的类型而定;
S5、计算预测日期的日订单量预测值,日订单量预测值=增长基数日期的订单量×(1+预测增长率)。
本技术方案通过选取匹配的增长基数日期,使得计算预测日期的日订单量时不需要太多的数据,简化了计算过程,同时还保证了预测的准确性。
较佳地,所述订单预测方法还包括:
T1、将历史订单量按分粒度进行汇总;
T2、从历史日期中选取多个与预测日期相匹配的基础日期,并设定每一基础日期的权重;
T3、将每一基础日期的每分钟订单量值的数据标准化,分别得到每一基础日期的季节指数;
T4、分别对每一基础日期的季节指数做平滑处理;
T5、根据设定的权重,依次经加权平均和单位化后得到预测日期的每分钟的预测季节指数;
T6、计算预测日期的每分钟订单量预测值,每分钟订单量预测值=预测日期的日订单量预测值×每分钟的季节指数预测值。
本技术方案在计算出日订单量预测值的基础上,进一步计算出了每分钟订单量预测值,使得预测的时间粒度更细,精度更高。
较佳地,所述订单预测方法还包括在T3与T4之间执行以下步骤:
将每一基础日期的标准化数据按照所处时间段以一指定时间间隔分组,将每组内处于组中所有数据均值±2×平均绝对离差的范围之外的数据替换为组中所有数据均值±2×平均绝对离差的范围内的非负随机数据。
本技术方案能够进一步保证计算的准确性。
较佳地,T3还包括:
查询异常事件记录表,判断该些基础日期中是否发生异常事件,若发生,计算发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值,并将发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量替换为计算出的发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值。
本技术方案考虑到现实中可能存在历史订单量不准确的情况,所以对这一部分的数据进行了修正,本技术方案中“计算发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值”的过程可以参考本发明的预测订单方法中计算每分钟订单量预测值的过程。
较佳地,S4还包括:判断所述增长基数日期全天的数据是否齐全,若齐全,计算预测日期的日订单量预测值,若不齐全,对所述增长基数日期的订单量进行修正或重新选取增长基数日期。
本技术方案能够保证了预测日期的日订单量预测值的正确计算,同时也提高了计算的准确性。
本发明还提供一种订单预测***,其特点是,包括:一采集模块、一第一汇总模块、一分类模块、一第一选取模块和一第一计算模块;
所述采集模块用于采集历史订单量;
所述第一汇总模块用于将历史订单量按天粒度进行汇总;
所述分类模块用于将日期进行分类并将属于同一类型的历史日期与预测日期相匹配;
所述第一选取模块用于从与预测日期相匹配的历史日期中选取一增长基数日期,并获取所述增长基数日期的订单量和预测增长率,所述预测增长率依所述预测日期的类型而定;
所述第一计算模块用于计算预测日期的日订单量预测值,日订单量预测值=增长基数日期的订单量×(1+预测增长率)。
较佳地,还包括:一第二汇总模块、一第二选取模块、一标准化模块、一平滑处理模块、一预测季节指数模块和一第二计算模块;
所述第二汇总模块用于将历史订单量按分粒度进行汇总;
所述第二选取模块用于从历史日期中选取多个与预测日期相匹配的基础日期,并设定每一基础日期的权重;
所述标准化模块用于将每一基础日期的每分钟订单量值的数据标准化,分别得到每一基础日期的季节指数;
所述平滑处理模块用于分别对每一基础日期的季节指数做平滑处理;
所述预测季节指数模块用于根据设定的权重,依次经加权平均和单位化后得到预测日期的每分钟的预测季节指数;
所述第二计算模块用于计算预测日期的每分钟订单量预测值,每分钟订单量预测值=预测日期的日订单量预测值×每分钟的季节指数预测值。
较佳地,所述订单预测***还包括:一替换模块;
所述标准化模块还用于调用所述替换模块;
所述替换模块用于将每一基础日期的标准化数据按照所处时间段以一指定时间间隔分组,将每组内处于组中所有数据均值±2×平均绝对离差的范围之外的数据替换为组中所有数据均值±2×平均绝对离差的范围内的非负随机数据。
较佳地,所述标准化模块还用于查询异常事件记录表,判断该些基础日期中是否发生异常事件,若发生,计算发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值,并将发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量替换为计算出的发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值,然后调用所述平滑处理模块。
较佳地,所述第一计算模块还用于判断所述增长基数日期全天的数据是否齐全,若齐全,计算预测日期的日订单量预测值,若不齐全,对所述增长基数日期的订单量进行修正或重新选取增长基数日期。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:本发明可以准确地预测每天的订单量和每分钟的订单量,具有计算量小、过程简单、易于实现和准确度高的优点。同时本发明适用于各种电商网站,尤其是在线旅游网站的订单预测。
附图说明
图1为本发明实施例的订单预测方法的流程图。
图2为本发明实施例的2014-11-20的酒店业务预测值跟实际值相比效果图。
图3为本发明实施例的订单预测***的***示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例
参见图1,本实施例的订单预测方法,包括以下步骤:
步骤101、采集历史订单量。采集过去几年的订单详细数据。
步骤102、将历史订单量按天粒度和分钟粒度进行汇总。根据采集到的订单详细数据,汇总出分钟粒度和天粒度的订单量。对于分钟粒度,保证每天1440个数据点,缺少的补零处理。
步骤103、将日期进行分类并将属于同一类型的历史日期与预测日期相匹配。根据日期性质,将日期分为两大类:特殊日期和普通日期。特殊日期包括元旦、春节、清明、五一、端午、中秋、国庆等国家法定节假日及邻近的调休日期,也包括对业务订单影响明显的其他非国家节假日日期,如国家公务员考试准考证打印首日、全国研究生考试准考证打印首日。普通日期包括普通工作日(如普通周一到周五)和普通休息日(普通周六、周日)。将属于同一类型的历史日期与预测日期相匹配是指将预测日期所在的年份的日期跟历史年份的日期进行对齐,对齐方式是当年的法定节假日和往年同性质法定节假日对齐,当年的国家公务员考试准考证打印首日、全国研究生考试准考证打印首日分别和往年日期同性质(同是工作日,或同是休息日)的国考、研考准考证打印首日对齐,当年的周末和往年同性质的周末对齐,当年的普通工作日和往年普通工作日对齐,当年的普通休息日和往年的普通休息日对齐。此外,应尽量保证周几对齐,例如周一和往年对应周日周一对齐,周二到周日同理。值得注意的是,这里的周一不是严格意义的周一,若遇到周一放假周二上班,则周二会被看作周一来处理。
步骤104、从与预测日期相匹配的历史日期中选取一增长基数日期,并获取所述增长基数日期的订单量和预测增长率,所述预测增长率依所述预测日期的类型而定。对于普通日期,选择前一周的相同日作为其增长基数日期(如预测日期为本周一,则选择上一周的周一作为增加基数日期),采用历年同期周同比增长率的加权平均作为预测增长率;对于特殊日期,选取预测日期前一天作为基数日期,采用历年同期日环比增长率的加权平均作为预测增长率。
步骤105、从历史日期中选取多个与预测日期相匹配的基础日期,并设定每一基础日期的权重。一般选取4到8个订单预订趋势较为接近的历史日期作为基础日期。选择规则如表1:
表1
预测日期的类型 | 与预测日期相匹配的基础日期 |
普通周末 | 同比周末,环比周末 |
普通周一 | 同比周一 |
普通周二到周五 | 同比工作日,环比工作日 |
调休 | 环比工作日 |
单休 | 环比休息日 |
连休 | 历年同期的节假日 |
特殊工作日 | 历年同期工作日 |
十月的普通日 | 环比日期及八月日期 |
通常来说,同比日期的权重设置较大,环比日期的权重设置较小。此外,对于同种性质的日期,越接近预测日期,权重设置越大。例如周一选取前四个周一作为计算季节指数预测值的基础日期,权重设置根据由远到近分别设置为1、2、3、4;周二选取前四个周二和前四个环比日期作为计算季节指数预测值的基础日期,同比日期的权重根据由远到近分别设置为2、4、6、8,环比日期的权重根据由远到近分别设置为1、2、3、4。并且,表1中与十月的普通日匹配的基础日期为环比日期及八月日期,这是因为通常十月份普通日期的周同比日期会选到九月份的相关日期,但九月份特别是中下旬的日期受国庆影响较大,这里将它们剔除掉,选择八月份的相关周同比日期和十月份的环比普通日期,作为十月份普通日期的季节指数预测的基础日期。
步骤106、进行异常处理并得到预测日期的每分钟的季节指数。先查询异常事件记录表,判断该些基础日期中是否异常事件(如设备故障等),若发生,将发生异常事件的基础日期作为预测日期,计算发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值,并将发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量替换为计算出的发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值。然后将每一基础日期的每分钟订单量值(发生异常事件的时段用预测值替换好)的数据标准化,分别得到每一基础日期的季节指数(每分钟订单占比)。将每一基础日期的标准化数据按照所处时间段以一指定时间间隔分组,将每组内处于组中所有数据均值±2×平均绝对离差的范围之外的数据替换为组中所有数据均值±2×平均绝对离差的范围内的非负随机数据,即如果组内数据在组中所有数据均值±2×平均绝对离差的范围外,则采用组中所有数据均值±2×平均绝对离差的范围内的非负随机数据替换掉。接着,对每一基础日期的季节指数做平滑处理,根据日期的不同权重,加权平均后再单位化得到预测日期的每分钟的预测季节指数。
步骤107、判断所述增长基数日期全天的数据是否齐全,若齐全,计算预测日期的日订单量预测值,若不齐全,对所述增长基数日期的订单量进行修正或重新选取增长基数日期,再计算预测日期的日订单量预测值,日订单量预测值=增长基数日期的订单量×(1+预测增长率)。针对增长基数日期全天的数据不齐全的情况,如果增长基数日期全天的数据是因为有事件发生影响业务订单量所造成的不齐全,则采用弥补损失后的订单量作为订单量的修正值,以修正值作为增长基数;如果增长基数日期全天的数据是因为没汇总好或因其他原因所造成的不齐全,则重新选定增长基数日期。
步骤108、计算预测日期的每分钟订单量预测值,每分钟订单量预测值=预测日期的日订单量预测值×每分钟的季节指数预测值。
下面以OTA(在线旅游社)酒店业务的预测为例,进一步说明如何利用本实施例的订单预测方法提前4天预测2014-11-20每分钟的订单量:
第一步,采集历史酒店预订详细数据。一般来说,数据采集有独立的采集作业,帮助实现自动采集数据。采集频率可以为一小时采集一次,按照增量采集。所以过去的数据基本上都采集完成,按照增长采集只需要采集最近的数据。
第二步,汇总分钟粒度订单量数据和日订单量数据。根据采集的数据按照分钟粒度和日粒度分布进行汇总,得到每日订单量和每分钟订单量。若初始汇总后一天中分钟数据少于1440点,则对缺少的点补零处理。
第三步,将日期进行分类并将属于同一类型的历史日期与预测日期相匹配。将预测日期及前一段时间跟往年对齐,对齐时优先保证工作日对应到工作日,休息日对应到休息日。再保证在一周中的第几天相同,并使得距离上个节日(这里是国庆)的周数相同或相近。这里从一周前取起,2014-11-13到2014-11-20同往年的对齐日期后如表2:
表2
预测日期 | date01 | date02 | date03 | date04 |
2014/11/20 | 2013/11/21 | 2012/11/22 | 2011/11/24 | 2010/11/18 |
2014/11/19 | 2013/11/20 | 2012/11/21 | 2011/11/23 | 2010/11/17 |
2014/11/18 | 2013/11/19 | 2012/11/20 | 2011/11/22 | 2010/11/16 |
2014/11/17 | 2013/11/18 | 2012/11/19 | 2011/11/21 | 2010/11/15 |
2014/11/16 | 2013/11/17 | 2012/11/18 | 2011/11/20 | 2010/11/14 |
2014/11/15 | 2013/11/16 | 2012/11/17 | 2011/11/19 | 2010/11/13 |
2014/11/14 | 2013/11/15 | 2012/11/16 | 2011/11/18 | 2010/11/12 |
2014/11/13 | 2013/11/14 | 2012/11/15 | 2011/11/17 | 2010/11/11 |
上表中,date01、date02、date03、date04分别表示对应到1年前、2年前、3年前、4年前相匹配的历史日期。
第四步,从与预测日期相匹配的历史日期中选取一增长基数日期,并获取所述增长基数日期的订单量和预测增长率。首先判断2014-11-20的日期类型,该日既非法定节假日,也不是国考准考证打印首日、研考准考证打印首日,是一个普通工作日,周四。所以,应选取一周前作为增长基数日期。这里,取上周四2014-11-13日作为增长基数日期。同时查询历史对应日期的订单量(或修正订单量),得到酒店业务在历年同期周同比增长率并赋权如表3:
表3
名称 | 2010年 | 2011年 | 2012年 | 2013年 |
增长率 | -2.2% | 0.7% | 0.9% | -1.9% |
权重 | 1 | 2 | 3 | 4 |
进而,得到2014-11-20酒店业务日订单量相对的预测增长率为:-0.5%=(-2.2%×1+0.7×2+0.9×3+(-1.9%)×4)/(1+2+3+4)。
第五步,选取多个与预测日期相匹配的基础日期,并设定每一基础日期的权重。2014-11-20日是普通周四,选取四天周同比日期和四天日环比日期作为基础日期。前四周的周四都是正常的工作日,非周末非周一的日期取最近四天环比工作日也加入到基础日期中。这里,没有取周一,是因为分析数据发现平时周一跟其他几天工作日的走势仍有着较为明显的区别。然后,是给每一基础日期赋予权重,通常同比日期的走势相似度较高,赋予略大的权重。另外,基础日期离预测日期越接近,相似度更高。所以,这里赋予四个周同比日期由远到近的权重为2、4、6、8,赋予四个日环比日期由远到近的权重为1、2、3、4。酒店业务在2014-11-20的季节指数预测值的对应的基础日期和权重见表4:
表4
预测日期 | 基础日期 | 权重 | 类型 |
2014/11/20 | 2014/11/10 | 1 | 环比工作日 |
2014/11/20 | 2014/11/11 | 2 | 环比工作日 |
2014/11/20 | 2014/11/12 | 3 | 环比工作日 |
2014/11/20 | 2014/11/14 | 4 | 环比工作日 |
2014/11/20 | 2014/10/23 | 2 | 同比工作日 |
2014/11/20 | 2014/10/30 | 4 | 同比工作日 |
2014/11/20 | 2014/11/6 | 6 | 同比工作日 |
2014/11/20 | 2014/11/13 | 8 | 同比工作日 |
第六步,进行异常处理并得到预测日期的每分钟的季节指数。通过查询异常事件记录表,上述基础日期中有部分日期发生对酒店业务有影响的事件。以2014-11-13为例,发现在19:50左右发生影响业务订单的故障。
查询一分钟粒度数据和事件表,发现该日故障对酒店影响时间范围如表5:
表5
所以,在取2014-11-13的一分钟粒度订单数据时,先把故障期间(包含影响期间和恢复期间)的实际值替换成预测值。其他日期若有异常时间段,也如此处理。接着,将每天的订单数据标准化,得到每一基础日期的季节指数。然后,以半小时为一组,00:00-00:29为第一组,00:30-00:59为第二组,以此类推,共48组。第21组(10:00-10:29)的数据如表6所示:
表6
如果组内数据在组中所有数据均值±2×平均绝对离差的范围外,则采用组中所有数据均值±2×平均绝对离差的范围内的非负随机数据替换掉。接着,对每天的季节指数做10分钟平均的平滑处理,得到每天的平滑季节指数。例如,以2014-11-13的部分数据为例,如表7:
表7
最后,根据日期的不同权重,加权平均后再单位化就得到预测日期的每分钟的季节指数。
第七步,计算预测日期的日订单量预测值。预测日期2014-11-20是普通工作日,周四,取上周四2014-11-13日作为增长基础日期,由于是四天前预测,2014-11-13的详细酒店订单数据和汇总数据均已到位。因为2014-11-13存在影响酒店订单的故障,所以增长基数不是日订单实际值,而是将故障期间实际分钟订单值替换成预测值,非故障期间仍使用实际分钟订单值汇总得到的日订单量修正值。在第四步中得到了预测日期订单量相对于增长基础日期订单量的增长率预测值,采用下述公式:预测日期订单量预测值=增长基数×(1+增长率预测值)。到此,便得到预测日期的日订单量预测值。
第八步,计算预测日期的每分钟订单量预测值。在第六步和第七步中,分别得到预测日期的每分钟的季节指数和日订单量预测值。根据下述公式,每分钟订单量预测值=预测日期的日订单量预测值×每分钟的季节指数,得到预测日期的每分钟订单量预测值。
参见图2示出的2014-11-20的酒店业务预测值跟实际值相比效果图,图中横坐标为时间,纵坐标为订单量,黑色曲线为实际值,白色曲线为预测值。利用每分钟订单预测值跟每分钟订单实际值相比,对比效果明显,正常情况下每分钟订单实际值在每分钟订单预测值上下波动。如果发生网站故障而影响业务订单,实际值将走势发生明显变化,相比预测值有明显且持续的下降,下降达到一定阈值范围通过监控报警就会识别到网站发生故障,起到快速发现网站故障的作用。这种快速识别网站故障应用到了本发明中的计算结果,还用到其他步骤和方法,如告警规则的设置。
上述方法步骤不复杂,计算量不是很大,可操作性强,且得到的预测值效果非常好,非常适用于电子商务企业业务特征明确的订单预测。统计了最近一个月的酒店业务预订订单预测结果,准确度高达98%以上,大大高于其他几种现有的方法。
本实施例的订单预测***,如图3所示,包括:一采集模块201、一第一汇总模块202、一第二汇总模块203、一分类模块204、一第一选取模块205、一第二选取模块206、一标准化模块207、一替换模块208、一平滑处理模块209、一预测季节指数模块210、一第一计算模块211和一第二计算模块212。
所述采集模块201用于采集历史订单量。
所述第一汇总模块202用于将历史订单量按天粒度进行汇总。
所述第二汇总模块203用于将历史订单量按分粒度进行汇总。
所述分类模块204用于将日期进行分类并将属于同一类型的历史日期与预测日期相匹配。
所述第一选取模块205用于从与预测日期相匹配的历史日期中选取一增长基数日期,并获取所述增长基数日期的订单量和预测增长率,所述预测增长率依所述预测日期的类型而定。
所述第二选取模块206用于从历史日期中选取多个与预测日期相匹配的基础日期,并设定每一基础日期的权重,然后调用所述标准化模块207。
所述标准化模块207用于查询异常事件记录表,判断该些基础日期中是否发生异常事件,若发生,将发生异常事件的基础日期作为预测日期,计算发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值,并将发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量替换为计算出的发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值,然后将每一基础日期的每分钟订单量值的数据标准化,分别得到每一基础日期的季节指数,然后调用所述替换模块208。
所述替换模块208用于将每一基础日期的标准化数据按照所处时间段以一指定时间间隔分组,将每组内处于组中所有数据均值±2×平均绝对离差的范围之外的数据替换为组中所有数据均值±2×平均绝对离差的范围内的非负随机数据,然后调用所述平滑处理模块209。
所述平滑处理模块209用于分别对每一基础日期的季节指数做平滑处理,然后调用所述预测季节指数模块210。
所述预测季节指数模块210用于根据设定的权重,依次经加权平均和单位化后得到预测日期的每分钟的预测季节指数。
所述第一计算模块211用于判断所述增长基数日期全天的数据是否齐全,若齐全,计算预测日期的日订单量预测值,若不齐全,对所述增长基数日期的订单量进行修正或重新选取增长基数日期,再计算预测日期的日订单量预测值,日订单量预测值=增长基数日期的订单量×(1+预测增长率)。
所述第二计算模块212用于计算预测日期的每分钟订单量预测值,每分钟订单量预测值=预测日期的日订单量预测值×每分钟的季节指数预测值。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种订单预测方法,其特征在于,包括:
S1、采集历史订单量;
S2、将历史订单量按天粒度进行汇总;
S3、将日期进行分类并将属于同一类型的历史日期与预测日期相匹配;
S4、从与预测日期相匹配的历史日期中选取一增长基数日期,并获取所述增长基数日期的订单量和预测增长率,所述预测增长率依所述预测日期的类型而定;
S5、计算预测日期的日订单量预测值,日订单量预测值=增长基数日期的订单量×(1+预测增长率)。
2.如权利要求1所述的订单预测方法,其特征在于,所述订单预测方法还包括:
T1、将历史订单量按分粒度进行汇总;
T2、从历史日期中选取多个与预测日期相匹配的基础日期,并设定每一基础日期的权重;
T3、将每一基础日期的每分钟订单量值的数据标准化,分别得到每一基础日期的季节指数;
T4、分别对每一基础日期的季节指数做平滑处理;
T5、根据设定的权重,依次经加权平均和单位化后得到预测日期的每分钟的预测季节指数;
T6、计算预测日期的每分钟订单量预测值,每分钟订单量预测值=预测日期的日订单量预测值×每分钟的季节指数预测值。
3.如权利要求2所述的订单预测方法,其特征在于,所述订单预测方法还包括在T3与T4之间执行以下步骤:
将每一基础日期的标准化数据按照所处时间段以一指定时间间隔分组,将每组内处于组中所有数据均值±2×平均绝对离差的范围之外的数据替换为组中所有数据均值±2×平均绝对离差的范围内的非负随机数据。
4.如权利要求2所述的订单预测方法,其特征在于,T3还包括:
查询异常事件记录表,判断该些基础日期中是否发生异常事件,若发生,计算发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值,并将发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量替换为计算出的发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值。
5.如权利要求1所述的订单预测方法,其特征在于,S4还包括:判断所述增长基数日期全天的数据是否齐全,若齐全,计算预测日期的日订单量预测值,若不齐全,对所述增长基数日期的订单量进行修正或重新选取增长基数日期。
6.一种订单预测***,其特征在于,包括:一采集模块、一第一汇总模块、一分类模块、一第一选取模块和一第一计算模块;
所述采集模块用于采集历史订单量;
所述第一汇总模块用于将历史订单量按天粒度进行汇总;
所述分类模块用于将日期进行分类并将属于同一类型的历史日期与预测日期相匹配;
所述第一选取模块用于从与预测日期相匹配的历史日期中选取一增长基数日期,并获取所述增长基数日期的订单量和预测增长率,所述预测增长率依所述预测日期的类型而定;
所述第一计算模块用于计算预测日期的日订单量预测值,日订单量预测值=增长基数日期的订单量×(1+预测增长率)。
7.如权利要求6所述的订单预测***,其特征在于,还包括:一第二汇总模块、一第二选取模块、一标准化模块、一平滑处理模块、一预测季节指数模块和一第二计算模块;
所述第二汇总模块用于将历史订单量按分粒度进行汇总;
所述第二选取模块用于从历史日期中选取多个与预测日期相匹配的基础日期,并设定每一基础日期的权重;
所述标准化模块用于将每一基础日期的每分钟订单量值的数据标准化,分别得到每一基础日期的季节指数;
所述平滑处理模块用于分别对每一基础日期的季节指数做平滑处理;
所述预测季节指数模块用于根据设定的权重,依次经加权平均和单位化后得到预测日期的每分钟的预测季节指数;
所述第二计算模块用于计算预测日期的每分钟订单量预测值,每分钟订单量预测值=预测日期的日订单量预测值×每分钟的季节指数预测值。
8.如权利要求7所述的订单预测***,其特征在于,所述订单预测***还包括:一替换模块;
所述标准化模块还用于调用所述替换模块;
所述替换模块用于将每一基础日期的标准化数据按照所处时间段以一指定时间间隔分组,将每组内处于组中所有数据均值±2×平均绝对离差的范围之外的数据替换为组中所有数据均值±2×平均绝对离差的范围内的非负随机数据,然后调用所述平滑处理模块。
9.如权利要求8所述的订单预测***,其特征在于,所述标准化模块还用于查询异常事件记录表,判断该些基础日期中是否发生异常事件,若发生,计算发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值,并将发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量替换为计算出的发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值。
10.如权利要求6所述的订单预测***,其特征在于,所述第一计算模块还用于判断所述增长基数日期全天的数据是否齐全,若齐全,计算预测日期的日订单量预测值,若不齐全,对所述增长基数日期的订单量进行修正或重新选取增长基数日期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510195209.2A CN104766144A (zh) | 2015-04-22 | 2015-04-22 | 订单预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510195209.2A CN104766144A (zh) | 2015-04-22 | 2015-04-22 | 订单预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104766144A true CN104766144A (zh) | 2015-07-08 |
Family
ID=53647958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510195209.2A Pending CN104766144A (zh) | 2015-04-22 | 2015-04-22 | 订单预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766144A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016123967A1 (zh) * | 2015-02-03 | 2016-08-11 | 华为技术有限公司 | 数据处理方法及装置 |
CN107093096A (zh) * | 2016-12-15 | 2017-08-25 | 口碑控股有限公司 | 一种业务量预测方法及装置 |
CN109117991A (zh) * | 2018-07-26 | 2019-01-01 | 北京京东金融科技控股有限公司 | 一种股票订单交易方法和装置 |
US10169290B2 (en) | 2015-02-03 | 2019-01-01 | Huawei Technologies Co., Ltd. | Data processing method and apparatus |
CN109284866A (zh) * | 2018-09-06 | 2019-01-29 | 安吉汽车物流股份有限公司 | 商品订单预测方法及装置、存储介质、终端 |
CN109874103A (zh) * | 2019-04-23 | 2019-06-11 | 上海寰创通信科技股份有限公司 | 一种wifi精确定位设备及方法 |
CN110363571A (zh) * | 2019-06-24 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 交易用户的提前感知方法和装置 |
CN110598940A (zh) * | 2019-09-18 | 2019-12-20 | 深圳宇德金昌贸易有限公司 | 一种基于物联网贸易的物流订单分析预测*** |
CN110837907A (zh) * | 2018-08-17 | 2020-02-25 | 天津京东深拓机器人科技有限公司 | 一种预测波次订单量的方法和装置 |
CN111582530A (zh) * | 2019-02-18 | 2020-08-25 | 北京京东尚科信息技术有限公司 | 一种云产品资源的消耗预测方法和装置 |
CN111967940A (zh) * | 2020-08-19 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种订单量异常检测方法及装置 |
CN112488377A (zh) * | 2020-11-25 | 2021-03-12 | 上海中通吉网络技术有限公司 | 快递日订单量的预测方法、装置、存储介质及电子设备 |
CN112561562A (zh) * | 2020-11-13 | 2021-03-26 | 广汽蔚来新能源汽车科技有限公司 | 订单发布方法、装置、计算机设备和存储介质 |
CN112949888A (zh) * | 2019-12-11 | 2021-06-11 | 顺丰科技有限公司 | 件量预测模型训练以及件量预测方法、装置和计算机设备 |
CN113344282A (zh) * | 2021-06-23 | 2021-09-03 | 中国光大银行股份有限公司 | 容量数据处理、调配的方法、***和计算机可读介质 |
CN113554400A (zh) * | 2021-08-03 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 库存数据更新方法、装置、设备和存储介质 |
CN113590989A (zh) * | 2020-04-30 | 2021-11-02 | 北京金山云网络技术有限公司 | 用于实时计算异常时的数据处理方法、装置以及电子设备 |
US11216832B2 (en) | 2019-06-24 | 2022-01-04 | Advanced New Technologies Co., Ltd. | Predicting future user transactions |
CN113988769A (zh) * | 2021-12-28 | 2022-01-28 | 深圳前海移联科技有限公司 | 一种智能匹配分布式资源的方法、装置和计算机设备 |
CN114819536A (zh) * | 2022-04-02 | 2022-07-29 | 北京阿帕科蓝科技有限公司 | 一种车辆调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770690A (zh) * | 2009-12-25 | 2010-07-07 | 东软集团股份有限公司 | 交通状况预测装置及经路探索装置 |
CN102111284A (zh) * | 2009-12-28 | 2011-06-29 | 北京亿阳信通软件研究院有限公司 | 电信业务量预测方法和装置 |
CN102110265A (zh) * | 2009-12-23 | 2011-06-29 | 深圳市腾讯计算机***有限公司 | 一种预估网络广告效果的方法及*** |
CN103310286A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种具有时间序列特性的产品订单预测方法及装置 |
CN103617459A (zh) * | 2013-12-06 | 2014-03-05 | 李敬泉 | 一种多影响因素下商品需求信息预测方法 |
-
2015
- 2015-04-22 CN CN201510195209.2A patent/CN104766144A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110265A (zh) * | 2009-12-23 | 2011-06-29 | 深圳市腾讯计算机***有限公司 | 一种预估网络广告效果的方法及*** |
CN101770690A (zh) * | 2009-12-25 | 2010-07-07 | 东软集团股份有限公司 | 交通状况预测装置及经路探索装置 |
CN102111284A (zh) * | 2009-12-28 | 2011-06-29 | 北京亿阳信通软件研究院有限公司 | 电信业务量预测方法和装置 |
CN103310286A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种具有时间序列特性的产品订单预测方法及装置 |
CN103617459A (zh) * | 2013-12-06 | 2014-03-05 | 李敬泉 | 一种多影响因素下商品需求信息预测方法 |
Non-Patent Citations (1)
Title |
---|
无名: "周海燕:Ctrip的容量分析模型", 《HTTP://DOWNLOAD.CSDN.NET/DOWNLOAD/ZHONG930/7419613》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10169290B2 (en) | 2015-02-03 | 2019-01-01 | Huawei Technologies Co., Ltd. | Data processing method and apparatus |
WO2016123967A1 (zh) * | 2015-02-03 | 2016-08-11 | 华为技术有限公司 | 数据处理方法及装置 |
CN107093096A (zh) * | 2016-12-15 | 2017-08-25 | 口碑控股有限公司 | 一种业务量预测方法及装置 |
CN107093096B (zh) * | 2016-12-15 | 2022-03-25 | 口碑(上海)信息技术有限公司 | 一种业务量预测方法及装置 |
CN109117991A (zh) * | 2018-07-26 | 2019-01-01 | 北京京东金融科技控股有限公司 | 一种股票订单交易方法和装置 |
CN110837907A (zh) * | 2018-08-17 | 2020-02-25 | 天津京东深拓机器人科技有限公司 | 一种预测波次订单量的方法和装置 |
CN109284866B (zh) * | 2018-09-06 | 2021-01-29 | 安吉汽车物流股份有限公司 | 商品订单预测方法及装置、存储介质、终端 |
CN109284866A (zh) * | 2018-09-06 | 2019-01-29 | 安吉汽车物流股份有限公司 | 商品订单预测方法及装置、存储介质、终端 |
CN111582530A (zh) * | 2019-02-18 | 2020-08-25 | 北京京东尚科信息技术有限公司 | 一种云产品资源的消耗预测方法和装置 |
CN109874103A (zh) * | 2019-04-23 | 2019-06-11 | 上海寰创通信科技股份有限公司 | 一种wifi精确定位设备及方法 |
US11216832B2 (en) | 2019-06-24 | 2022-01-04 | Advanced New Technologies Co., Ltd. | Predicting future user transactions |
CN110363571A (zh) * | 2019-06-24 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 交易用户的提前感知方法和装置 |
CN110598940A (zh) * | 2019-09-18 | 2019-12-20 | 深圳宇德金昌贸易有限公司 | 一种基于物联网贸易的物流订单分析预测*** |
CN112949888A (zh) * | 2019-12-11 | 2021-06-11 | 顺丰科技有限公司 | 件量预测模型训练以及件量预测方法、装置和计算机设备 |
CN113590989A (zh) * | 2020-04-30 | 2021-11-02 | 北京金山云网络技术有限公司 | 用于实时计算异常时的数据处理方法、装置以及电子设备 |
CN111967940A (zh) * | 2020-08-19 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种订单量异常检测方法及装置 |
CN111967940B (zh) * | 2020-08-19 | 2023-02-21 | 支付宝(杭州)信息技术有限公司 | 一种订单量异常检测方法及装置 |
CN112561562A (zh) * | 2020-11-13 | 2021-03-26 | 广汽蔚来新能源汽车科技有限公司 | 订单发布方法、装置、计算机设备和存储介质 |
CN112488377A (zh) * | 2020-11-25 | 2021-03-12 | 上海中通吉网络技术有限公司 | 快递日订单量的预测方法、装置、存储介质及电子设备 |
CN113344282A (zh) * | 2021-06-23 | 2021-09-03 | 中国光大银行股份有限公司 | 容量数据处理、调配的方法、***和计算机可读介质 |
CN113554400A (zh) * | 2021-08-03 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 库存数据更新方法、装置、设备和存储介质 |
CN113988769A (zh) * | 2021-12-28 | 2022-01-28 | 深圳前海移联科技有限公司 | 一种智能匹配分布式资源的方法、装置和计算机设备 |
CN113988769B (zh) * | 2021-12-28 | 2022-03-22 | 深圳前海移联科技有限公司 | 一种智能匹配分布式资源的方法、装置和计算机设备 |
CN114819536A (zh) * | 2022-04-02 | 2022-07-29 | 北京阿帕科蓝科技有限公司 | 一种车辆调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766144A (zh) | 订单预测方法及*** | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
US10521748B2 (en) | Retention risk determiner | |
CN110400215B (zh) | 面向企业家族的小微企业信用评估模型构建方法及*** | |
CN109858740A (zh) | 企业风险的评估方法、装置、计算机设备及存储介质 | |
CN106126391A (zh) | ***监控方法和装置 | |
CN110837963A (zh) | 一种基于数据、模型及策略的风险控制平台建设方法 | |
CN107608862A (zh) | 监控告警方法、监控告警装置及计算机可读存储介质 | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN110347724A (zh) | 异常行为识别方法、装置、电子设备及介质 | |
CN109615280A (zh) | 员工数据处理方法、装置、计算机设备和存储介质 | |
CN115375205B (zh) | 一种用水用户画像的确定方法、装置及设备 | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
CN111738819A (zh) | 表征数据筛选方法、装置和设备 | |
CN116205355B (zh) | 电力负荷的预测方法、装置以及存储介质 | |
Zhang et al. | Behavior-based telecommunication churn prediction with neural network approach | |
CN112907356A (zh) | 逾期催收方法、装置、***及计算机可读存储介质 | |
CN111510368A (zh) | 家庭群组识别方法、装置、设备及计算机可读存储介质 | |
CN115511525A (zh) | 一种针对b2b平台用户的会员流失预警方法和*** | |
CN109919675A (zh) | 基于神经网络的通讯用户升档预测概率识别方法及*** | |
CN111178722A (zh) | 适用于销售线索评级和分配的机器学习***、方法及介质 | |
CN111241162A (zh) | 高速铁路成网条件下旅客出行行为分析方法及存储介质 | |
CN116912016A (zh) | 一种账单稽核方法和装置 | |
CN114418450A (zh) | 一种数据处理方法及装置 | |
CN114219611A (zh) | 贷款额度计算方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20160205 Address after: 200335 Shanghai city Changning District Admiralty Road No. 968 Building No. 16 10 floor Applicant after: SHANGHAI XIECHENG BUSINESS CO., LTD. Address before: 200335 Shanghai City, Changning District Fuquan Road No. 99, Ctrip network technology building Applicant before: Ctrip computer technology (Shanghai) Co., Ltd. |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150708 |
|
RJ01 | Rejection of invention patent application after publication |